RL Shooter é uma estrutura baseada em Python que integra ViZDoom com APIs do OpenAI Gym para criar um ambiente de aprendizagem por reforço flexível para jogos FPS. Os usuários podem definir cenários, mapas e estruturas de recompensa personalizadas para treinar agentes em tarefas de navegação, detecção de alvos e tiro. Com quadros de observação ajustáveis, espaços de ação e facilidades de registro, suporta bibliotecas populares de RL profundo como Stable Baselines e RLlib, permitindo acompanhamento claro de desempenho e reprodutibilidade entre experimentos.

CommNet é uma biblioteca orientada à pesquisa que implementa a arquitetura CommNet, permitindo que múltiplos agentes compartilhem estados ocultos em cada passo de tempo e aprendam a coordenar ações em ambientes cooperativos. Inclui definições de modelos PyTorch, scripts de treinamento e avaliação, wrappers de ambientes para OpenAI Gym e utilitários para personalizar canais de comunicação, contagem de agentes e profundidade da rede. Pesquisadores e desenvolvedores podem usar o CommNet para prototipar e fazer benchmarking de estratégias de comunicação entre agentes em tarefas de navegação, perseguição-evitação e coleta de recursos.

RL-Agents é uma estrutura de aprendizado por reforço de nível de pesquisa construída sobre PyTorch que reúne algoritmos populares de RL em métodos baseados em valor, política e ator-crítico. A biblioteca possui uma API modular de agentes, aceleração por GPU, integração perfeita com OpenAI Gym e ferramentas embutidas de registro e visualização. Os usuários podem configurar hiperparâmetros, personalizar ciclos de treinamento e fazer benchmarking de desempenho com algumas linhas de código, tornando RL-Agents ideal para pesquisa acadêmica, prototipagem e experimentação industrial.

O Text-to-Reward fornece um pipeline para treinar modelos de recompensa que mapeiam descrições de tarefas ou feedback baseado em texto em valores de recompensa escalar para agentes de RL. Aproveitando arquiteturas baseadas em transformadores e ajustando finamente com dados de preferência humana coletados, o framework aprende automaticamente a interpretar instruções em linguagem natural como sinais de recompensa. Os usuários podem definir tarefas arbitrárias por meio de prompts de texto, treinar o modelo e, posteriormente, incorporar a função de recompensa aprendida em qualquer algoritmo de RL. Essa abordagem elimina a necessidade de moldar manualmente recompensas, aumenta a eficiência de amostragem e permite que agentes sigam instruções complexas de múltiplas etapas em ambientes simulados ou do mundo real.